Participe da nova comunidade do
Discord para discussões em tempo real, suporte de colegas e interação direta com a equipe do Meridian.
Justificativa para inferência causal e modelagem bayesiana
Mantenha tudo organizado com as coleções
Salve e categorize o conteúdo com base nas suas preferências.
O motivo para usar uma perspectiva de inferência causal é simples e convincente. Todas as quantidades estimadas pela MMM implicam causalidade. O ROI, as curvas de resposta e a análise de orçamento ideal estão relacionados a como os gastos com marketing afetam os KPIs, considerando o que teria acontecido se esses gastos fossem diferentes. Segundo a perspectiva de design do Meridian, a única alternativa é usar a metodologia de inferência causal.
O Meridian é um modelo de regressão. O fato de os efeitos de marketing poderem ser interpretados como causais se deve às estimativas definidas e às proposições feitas, como o DAG causal. Embora essas proposições não sirvam para todos os anunciantes, elas são divulgadas de forma transparente para que cada um deles tome decisões por conta própria.
A modelagem bayesiana não é necessária para a inferência causal, mas o Meridian usa essa abordagem devido às seguintes vantagens:
- Com as distribuições a priori de um modelo bayesiano, é possível regularizar de maneira intuitiva o ajuste de cada parâmetro de acordo com os conhecimentos anteriores e a intensidade da regularização selecionada. A regularização é necessária na MMM porque o número de variáveis é grande, as correlações geralmente são altas, e os efeitos de mídia (com o Adstock e os retornos decrescentes) são complexos.
- Com o Meridian, é possível reparametrizar o modelo de regressão em termos de ROI. Isso permite o uso de qualquer distribuição a priori de ROI personalizado. Todo o conhecimento disponível, incluindo resultados de experimentos, pode ser usado para definir distribuições a priori que são regularizadas visando resultados em que você acredita e com a intensidade que você considera adequada.
- As transformações de variáveis de mídia (Adstock e retornos decrescentes) não são lineares, e não é possível estimar os parâmetros dessas transformações com técnicas de modelo misto linear. O Meridian usa técnicas modernas de amostragem de MCMC para resolver esse problema.
Exceto em caso de indicação contrária, o conteúdo desta página é licenciado de acordo com a Licença de atribuição 4.0 do Creative Commons, e as amostras de código são licenciadas de acordo com a Licença Apache 2.0. Para mais detalhes, consulte as políticas do site do Google Developers. Java é uma marca registrada da Oracle e/ou afiliadas.
Última atualização 2025-08-04 UTC.
[null,null,["Última atualização 2025-08-04 UTC."],[[["\u003cp\u003eMeridian adopts a causal inference perspective to measure the true impact of marketing spending on key performance indicators (KPIs) such as ROI, response curves, and optimal budget allocation.\u003c/p\u003e\n"],["\u003cp\u003eBuilt as a Bayesian regression model, Meridian leverages causal assumptions and transparently discloses them, allowing advertisers to assess their applicability.\u003c/p\u003e\n"],["\u003cp\u003eThe Bayesian approach in Meridian provides robust regularization, incorporates prior knowledge about ROI, and effectively handles non-linear media effects through advanced sampling techniques.\u003c/p\u003e\n"]]],["Meridian uses causal inference methodology because MMM estimates imply causality, analyzing how marketing spend affects KPIs. This regression model defines estimands and makes assumptions, which are disclosed for transparency. It employs a Bayesian approach for regularization via prior distributions, reparameterization using ROI priors, and handling nonlinear media variable transformations like adstock and diminishing returns through MCMC sampling techniques. These techniques are needed due to high variable counts and complex media effects.\n"],null,["# Rationale for causal inference and Bayesian modeling\n\nThe reason for taking a causal inference perspective is straightforward and\ncompelling. All of the quantities that MMM estimates imply causality. ROI,\nresponse curves, and optimal budget analysis pertain to how marketing spending\naffects KPIs, by considering what would have happened if the marketing spend had\nbeen different. The Meridian design perspective is that there is no alternative\nbut to use causal inference methodology.\n\nMeridian is a regression model. The fact that marketing effects can be\ninterpreted as causal is owed to the estimands defined and the assumptions made\n(such as the causal DAG). Although these assumptions might not hold for every\nadvertiser, the assumptions are transparently disclosed for each advertiser to\ndecide.\n\nAlthough Bayesian modeling is not necessary for causal inference,\nMeridian takes a Bayesian approach because it offers the following\nadvantages:\n\n1. The prior distributions of a Bayesian model offer an intuitive way to regularize the fit of each parameter according to prior knowledge and the selected regularization strength. Regularization is necessary in MMM because the number of variables is large, the correlations are often high, and the media effects (with adstock and diminishing returns) are complex.\n2. Meridian offers the option to reparameterize the regression model in terms of ROI, allowing the use of any custom ROI prior. Any and all available knowledge, including experiment results, can be used to set priors that regularize towards results you believe in with the strength you believe is appropriate.\n3. Media variable transformations (adstock and diminishing returns) are nonlinear, and the parameters of these transformations cannot be estimated by linear mixed model techniques. Meridian uses state-of-the-art [MCMC sampling\n techniques](/meridian/docs/basics/bayesian-inference#mcmc-convergence) to solve this problem."]]
